99久久一区,99re8这里有精品热视频

內(nèi)容簡介

　　自然語言處理被譽為“人工智能皇冠上的明珠”。深度學習等技術(shù)的引入為自然語言處理技術(shù)帶來了一場革命，尤其是近年來出現(xiàn)的基于大語言模型的方法，已成為研究自然語言處理的新范式。本書在介紹自然語言處理、深度學習等基本概念的基礎(chǔ)上，重點介紹新的基于預訓練語言模型和大語言模型的自然語言處理技術(shù)。本書包括基礎(chǔ)知識、預訓練語言模型和大語言模型三部分：基礎(chǔ)知識部分主要介紹自然語言處理和深度學習的基礎(chǔ)知識、基本工具集和常用數(shù)據(jù)集；預訓練語言模型部分主要介紹語言模型、預訓練詞向量、預訓練語言模型的實現(xiàn)方法和應用；大語言模型部分首先介紹大語言模型的預訓練方法，其次介紹大語言模型的適配、應用和評估方法，接著介紹基于預訓練語言模型思想的各種延伸技術(shù)，最后以DeepSeek 系列模型為例，介紹大語言模型的最新技術(shù)進展。除了理論知識，本書還有針對性地結(jié)合具體案例提供相應的PyTorch 代碼實現(xiàn)，讓讀者不僅能對理論有更深刻的理解，還能快速地實現(xiàn)自然語言處理模型，達到理論和實踐的統(tǒng)一。本書既適合具有一定機器學習基礎(chǔ)的高等院校學生、研究機構(gòu)的研究者，以及希望深入研究自然語言處理算法的計算機工程師閱讀，也適合對人工智能、深度學習、大語言模型和自然語言處理感興趣的學生和希望進入人工智能應用領(lǐng)域的研究者參考。

作者簡介

　　車萬翔哈爾濱工業(yè)大學計算學部長聘教授/博士生導師，人工智能研究院副院長，國家級青年人才，龍江學者“青年學者”，斯坦福大學訪問學者?，F(xiàn)任中國中文信息學會理事、計算語言學專業(yè)委員會副主任兼秘書長；國際計算語言學學會亞太分會（AACL）執(zhí)委兼秘書長；國際頂級會議ACL 2025程序委員會共同主席。承擔國家自然科學基金重點項目和專項項目、2030“新一代人工智能”重大項目課題等多項科研項目。曾獲AAAI 2013最佳論文提名獎、黑龍江省科技進步一等獎、黑龍江省青年科技獎等獎勵。郭江博士，現(xiàn)從事大模型、檢索增強生成技術(shù)及企業(yè)數(shù)據(jù)智能等領(lǐng)域的研究，專注于相關(guān)技術(shù)在云服務中的應用與開發(fā)。曾任麻省理工學院計算機科學與人工智能實驗室（CSAIL）博士后研究員，博士畢業(yè)于哈爾濱工業(yè)大學，并于約翰斯·霍普金斯大學聯(lián)合培養(yǎng)。在人工智能與自然語言處理領(lǐng)域發(fā)表學術(shù)論文30余篇，累計被引用2400余次（據(jù)Google Scholar統(tǒng)計），并出版學術(shù)專著與譯著各一部。曾獲百度獎學金（全球每年僅授予10人）及中文信息學會“優(yōu)秀博士學位論文”提名獎（2018年）。多次受邀擔任國際頂級學術(shù)會議高級程序委員會委員和領(lǐng)域主席。崔一鳴博士，高級工程師，現(xiàn)任科大訊飛研究院資深科學家、科大訊飛北京研究院副院長，IEEE高級會員、CCF高級會員。博士畢業(yè)于哈爾濱工業(yè)大學。主要從事大模型、預訓練模型、機器閱讀理解等相關(guān)領(lǐng)域的研究工作，曾獲得相關(guān)領(lǐng)域國際評測20余項冠軍。所牽頭研制的中文預訓練模型、大模型開源項目（如Chinese-BERT-wwm、Chinese-LLaMA-Alapca系列），在開源平臺累計獲得4萬次以上star，多次登頂GitHub Trending全球項目及開發(fā)者排行榜。在ACL、EMNLP、AAAI、IEEE/ACM TASLP等會議或期刊發(fā)表學術(shù)論文40余篇，其中ESI高被引論文1篇。曾獲國際語義評測SemEval-2022最佳論文提名獎，2篇論文入選Paper Digest評選的最具影響力論文，多次入選“全球前2%頂尖科學家”。申請發(fā)明專利40余項、獲授權(quán)專利16項。擔任ACL 2025高級領(lǐng)域主席，EMNLP 2021、AACL 2022領(lǐng)域主席，ARR行動編輯，TACL常任審稿人等學術(shù)職務。

圖書目錄

目錄
推薦序III
推薦語IV
前言VI
數(shù)學符號X
第1 部分基礎(chǔ)知識
第1 章緒論2
1.1 自然語言處理的概念3
1.2 自然語言處理的難點.3
1.3 自然語言處理任務體系5
1.3.1 任務層級5
1.3.2 任務類別6
1.3.3 研究對象與層次6
1.4 自然語言處理技術(shù)發(fā)展歷史7
第2 章自然語言處理基礎(chǔ)11
2.1 文本的表示12
2.1.1 詞的獨熱表示12
2.1.2 詞的分布表示13
2.1.3 詞嵌入表示18
2.1.4 文本的詞袋表示18
2.2 自然語言處理任務19
2.2.1 自然語言處理基礎(chǔ)任務19
2.2.2 自然語言處理應用任務25
2.3 基本問題30
2.3.1 文本分類問題30
2.3.2 結(jié)構(gòu)預測問題30
2.3.3 序列到序列問題33
2.4 評價指標34
2.4.1 自然語言理解類任務的評價指標35
2.4.2 自然語言生成類任務的評價指標36
2.5 小結(jié)37
第3 章基礎(chǔ)工具集與常用數(shù)據(jù)集38
3.1 tiktoken 子詞切分工具39
3.2 NLTK 工具集40
3.2.1 常用語料庫和詞典資源41
3.2.2 常用自然語言處理工具集43
3.3 LTP 工具集45
3.3.1 中文分詞45
3.3.2 其他中文自然語言處理功能45
3.4 PyTorch 基礎(chǔ)46
3.4.1 張量的基本概念46
3.4.2 張量的基本運算47
3.4.3 自動微分 51
3.4.4 調(diào)整張量形狀52
3.4.5 廣播機制53
3.4.6 索引與切片54
3.4.7 降維與升維54
3.5 大規(guī)模預訓練數(shù)據(jù)集55
3.5.1 維基百科數(shù)據(jù)55
3.5.2 原始數(shù)據(jù)的獲取55
3.5.3 語料處理方法56
3.5.4 其他文本預訓練數(shù)據(jù)集59
3.5.5 文本預訓練數(shù)據(jù)集討論60
3.6 更多數(shù)據(jù)集60
3.7 小結(jié)62
第4 章自然語言處理中的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)63
4.1 多層感知器模型64
4.1.1 感知器64
4.1.2 線性回歸64
4.1.3 Logistic 回歸65
4.1.4 Softmax 回歸66
4.1.5 多層感知器67
4.1.6 模型實現(xiàn)68
4.2 卷積神經(jīng)網(wǎng)絡(luò)70
4.2.1 模型結(jié)構(gòu)70
4.2.2 模型實現(xiàn)72
4.3 循環(huán)神經(jīng)網(wǎng)絡(luò)74
4.3.1 模型結(jié)構(gòu)74
4.3.2 長短時記憶網(wǎng)絡(luò)75
4.3.3 模型實現(xiàn)77
4.3.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的序列到序列模型79
4.4 Transformer 模型79
4.4.1 注意力機制79
4.4.2 自注意力模型80
4.4.3 Transformer81
4.4.4 基于Transformer 的序列到序列模型85
4.4.5 Transformer 模型的優(yōu)缺點85
4.4.6 PyTorch 內(nèi)置模型實現(xiàn) 86
4.5 神經(jīng)網(wǎng)絡(luò)模型的訓練87
4.5.1 損失函數(shù)87
4.5.2 梯度下降89
4.6 自然語言處理中的神經(jīng)網(wǎng)絡(luò)實戰(zhàn)92
4.6.1 情感分類實戰(zhàn)92
4.6.2 詞性標注實戰(zhàn)102
4.7 小結(jié)104
第2 部分預訓練語言模型
第5 章語言模型107
5.1 語言模型的基本概念108
5.2 N 元語言模型108
5.2.1 N 元語言模型的基本概念108
5.2.2 N 元語言模型的實現(xiàn)109
5.2.3 N 元語言模型的平滑111
5.3 神經(jīng)網(wǎng)絡(luò)語言模型112
5.3.1 前饋神經(jīng)網(wǎng)絡(luò)語言模型113
5.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型114
5.3.3 Transformer 語言模型116
5.3.4 基于神經(jīng)網(wǎng)絡(luò)語言模型生成文本 117
5.4 語言模型的實現(xiàn)118
5.4.1 數(shù)據(jù)準備 118
5.4.2 前饋神經(jīng)網(wǎng)絡(luò)語言模型119
5.4.3 循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型122
5.4.4 Transformer 語言模型125
5.5 語言模型性能評價129
5.6 小結(jié)130
第6 章預訓練詞向量131
6.1 預訓練靜態(tài)詞向量132
6.1.1 基于神經(jīng)網(wǎng)絡(luò)語言模型的靜態(tài)詞向量預訓練132
6.1.2 Word2vec 詞向量132
6.1.3 負采樣135
6.1.4 GloVe 詞向量136
6.1.5 模型實現(xiàn)137
6.1.6 評價與應用143
6.2 預訓練動態(tài)詞向量148
6.2.1 雙向語言模型149
6.2.2 ELMo 詞向量151
6.2.3 模型實現(xiàn) 152
6.2.4 評價與應用162
6.3 小結(jié) 164
第7 章預訓練語言模型166
7.1 概述167
7.2 Decoder-only 模型167
7.2.1 GPT 168
7.2.2 GPT-2 172
7.2.3 GPT-3 173
7.3 Encoder-only 模型174
7.3.1 BERT 174
7.3.2 RoBERTa 185
7.3.3 ALBERT 189
7.3.4 ELECTRA 191
7.3.5 MacBERT 194
7.3.6 模型對比196
7.4 Encoder-Decoder 模型196
7.4.1 T5 197
7.4.2 BART 198
7.5 預訓練模型的任務微調(diào)：NLU 類201
7.5.1 單句文本分類202
7.5.2 句對文本分類205
7.5.3 閱讀理解207
7.5.4 序列標注211
7.6 預訓練模型的任務微調(diào)：NLG 類216
7.6.1 文本生成216
7.6.2 機器翻譯217
7.7 小結(jié)220
第3 部分大語言模型
第8 章大語言模型的預訓練222
8.1 大語言模型的基本結(jié)構(gòu)223
8.1.1 Llama 223
8.1.2 Mixtral 226
8.1.3 縮放法則228
8.1.4 常見大語言模型對比230
8.2 注意力機制的優(yōu)化230
8.2.1 稀疏注意力231
8.2.2 多查詢注意力與分組查詢注意力233
8.2.3 FlashAttention 234
8.3 位置編碼策略237
8.3.1 RoPE 237
8.3.2 ALiBi 240
8.4 長上下文處理策略242
8.4.1 位置插值法242
8.4.2 基于NTK 的方法245
8.4.3 LongLoRA 246
8.4.4 YaRN 247
8.5 并行訓練策略251
8.5.1 數(shù)據(jù)并行251
8.5.2 模型并行252
8.5.3 流水線并行254
8.5.4 混合并行254
8.5.5 零冗余優(yōu)化255
8.5.6 DeepSpeed 256
8.6 小結(jié)257
第9 章大語言模型的適配258
9.1 引言259
9.2 基于提示的推斷259
9.2.1 提示工程260
9.2.2 檢索與工具增強267
9.3 多任務指令微調(diào)269
9.3.1 現(xiàn)有數(shù)據(jù)集轉(zhuǎn)換271
9.3.2 自動生成指令數(shù)據(jù)集271
9.3.3 指令微調(diào)的實現(xiàn)273
9.4 基于人類反饋的強化學習276
9.4.1 基于人類反饋的強化學習算法的原理276
9.4.2 基于人類反饋的強化學習算法的改進279
9.4.3 人類偏好數(shù)據(jù)集280
9.5 參數(shù)高效精調(diào)280
9.5.1 LoRA 281
9.5.2 QLoRA 284
9.5.3 Adapter 288
9.5.4 Prefix-tuning 289
9.5.5 P-tuning 290
9.5.6 Prompt-tuning 291
9.6 大語言模型的中文適配 292
9.6.1 中文詞表擴充 292
9.6.2 中文增量訓練 295
9.7 大語言模型壓縮 296
9.7.1 知識蒸餾 296
9.7.2 模型裁剪 302
9.7.3 參數(shù)量化 305
9.8 小結(jié) 310
第10 章大語言模型的應用311
10.1 大語言模型的應用示例312
10.1.1 知識問答 312
10.1.2 人機對話 313
10.1.3 文本摘要 314
10.1.4 代碼生成 315
10.2 生成指令數(shù)據(jù) 316
10.2.1 Self-Instruct 316
10.2.2 Alpaca 319
10.2.3 WizardLM 322
10.3 大語言模型的量化與部署324
10.3.1 llama.cpp 324
10.3.2 transformers 329
10.3.3 vLLM 332
10.4 本地化開發(fā)與應 335
10.4.1 LangChain 335
10.4.2 privateGPT 338
10.5 工具調(diào)用與自動化 342
10.5.1 AutoGPT 342
10.5.2 HuggingGPT 346
10.6 小結(jié)348
第11 章大語言模型的能力評349
11.1 引言350
11.2 通用領(lǐng)域及任務評估350
11.2.1 語言理解能力350
11.2.2 文本生成能力352
11.2.3 知識與推理能力357
11.3 特定領(lǐng)域及任務評估360
11.3.1 數(shù)學360
11.3.2 代碼360
11.4 模型對齊能力評估362
11.4.1 有用性363
11.4.2 無害性365
11.4.3 安全性367
11.4.4 真實性367
11.5 大語言模型的評價方法368
11.5.1 評價設(shè)置：適配368
11.5.2 自動評價方法369
11.5.3 人工評價方法370
11.5.4 紅隊測試371
11.6 小結(jié)372
第12 章預訓練語言模型的延伸374
12.1 多語言預訓練模型375
12.1.1 多語言BERT 375
12.1.2 跨語言預訓練語言模型376
12.1.3 多語言預訓練語言模型的應用378
12.1.4 大規(guī)模多語言模型379
12.2 代碼預訓練模型379
12.2.1 代表性代碼預訓練模型380
12.2.2 代碼預訓練模型的對齊383
12.2.3 代碼預訓練模型的應用383
12.3 多模態(tài)預訓練模型384
12.3.1 掩碼圖像模型384
12.3.2 基于對比學習的多模態(tài)預訓練模型.386
12.3.3 圖到文預訓練模型388
12.3.4 圖像或視頻生成390
12.4 具身預訓練模型392
12.5 小結(jié)394
第13 章DeepSeek 系列模型原理簡介395
13.1 DeepSeek 系列模型概述396
13.2 模型架構(gòu)優(yōu)化398
13.2.1 算法優(yōu)化398
13.2.2 基礎(chǔ)設(shè)施優(yōu)化 402
13.3 基于強化學習習得推理能力405
13.3.1 DeepSeek-R1-Zero：僅通過強化學習習得推理能力405
13.3.2 DeepSeek-R1：規(guī)范性和泛化性408
13.3.3 蒸餾: 推理能力的遷移 411
13.4 小結(jié) 411
參考文獻413
術(shù)語表421